科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对并行磁共振成像的重建，提出了深度复数注意力网络(Deep Complex Attention Network，DCANet)。根据磁共振成像数据的复数性质，该模型使用复数卷积替换分别对实部和虚部进行实数卷积的常规方法；此外，由于并行磁共振成像的数据中每个线圈获取到的数据有所不同，该模型还使用了逐通道的注意力机制来重点关注有效特征较多的通道；该模型还使用数据一致性层保留采样过程中的原始数据，最终形成级联网络。使用三个不同的采样模式对两个不同磁共振成像数据序列进行实验，实验结果表明DCANet模型具有较好的重建效果，能够获得更高的峰值信噪比和结构相似性指数，以及更低的高频误差范数，其中峰值信噪比相比MICCAN、Deepcomplex、DONet三种模型分别平均提高了4.52 dB、2.30 dB和1.21 dB。
-
单位自动化学院; 昆明理工大学
